Amazon Rekognitsioon on arvutinägemise teenus, mille abil on lihtne lisada oma rakendustele pildi- ja videoanalüüsi, kasutades tõestatud, hästi skaleeritavat süvaõppetehnoloogiat, mis ei nõua masinõppe (ML) teadmisi. Amazon Rekognitioniga saate piltidel ja videotes tuvastada objekte, inimesi, teksti, stseene ja tegevusi ning tuvastada sobimatut sisu. Amazon Rekognition pakub ka ülitäpset näoanalüüsi ja näootsingu võimalusi, mida saate kasutada nägude tuvastamiseks, analüüsimiseks ja võrdlemiseks mitmesuguste kasutusjuhtude jaoks.
Amazon Rekognitioni kohandatud sildid on Amazon Rekognitioni funktsioon, mille abil on lihtne luua oma spetsiaalsed ML-põhised pildianalüüsi võimalused, et tuvastada ainulaadseid objekte ja stseene, mis on teie konkreetse kasutusjuhtumi lahutamatu osa.
Mõned Rekognitioni kohandatud siltide levinumad kasutusjuhised hõlmavad teie logo leidmist sotsiaalmeedia postitustes, teie toodete tuvastamist poeriiulitel, masinaosade klassifitseerimist koosteliinil, tervete ja nakatunud taimede eristamist ja palju muud.
Amazoni äratundmise sildid toetab populaarseid vaatamisväärsusi, nagu Brooklyni sild, Colosseum, Eiffeli torn, Machu Picchu, Taj Mahal, ja veel. Kui teil on muid maamärke või hooneid, mida Amazon Rekognition veel ei toeta, saate siiski kasutada Amazon Rekognitioni kohandatud silte.
Selles postituses demonstreerime Rekognitioni kohandatud siltide kasutamist Seattle'is asuva Amazon Spheresi hoone tuvastamiseks.
Rekognitioni kohandatud siltidega hoolitseb AWS teie eest raskuste tõstmise eest. Rekognition Custom Labels tugineb Amazon Rekognitioni olemasolevatele võimalustele, mis on juba koolitatud kümnete miljonite piltide jaoks paljudes kategooriates. Tuhandete piltide asemel peate meie lihtsa konsooli kaudu lihtsalt üles laadima väikese komplekti treeningpilte (tavaliselt paarsada või vähem pilti), mis on teie kasutusjuhtumile omased. Amazon Rekognition saab treenimist alustada vaid mõne klõpsuga. Pärast seda, kui Amazon Rekognition hakkab teie pildikomplektist treenima, saab see mõne minuti või tunni jooksul teile kohandatud pildianalüüsi mudeli koostada. Kulisside taga laadib ja kontrollib Rekognition Custom Labels automaatselt treeningandmeid, valib sobivad ML-algoritmid, treenib mudelit ja pakub mudeli jõudlusmõõdikuid. Seejärel saate oma kohandatud mudelit kasutada Rekognitioni kohandatud siltide API kaudu ja integreerida selle oma rakendustesse.
Lahenduse ülevaade
Meie näiteks kasutame Amazoni sfäärid hoone Seattle'is. Koolitame mudelit Rekognitioni kohandatud siltide abil; kui kasutatakse sarnaseid pilte, peaks algoritm selle identifitseerima kui Amazon Spheres
asemel Dome
, Architecture
, Glass building
või muid silte.
Näitame esmalt näidet Amazon Rekognitioni sildituvastusfunktsiooni kasutamisest, kus toidame Amazon Spheresi pilti ilma kohandatud koolituseta. Kasutame sildituvastuse demo avamiseks ja foto üleslaadimiseks Amazon Rekognitioni konsooli.
Pärast pildi üleslaadimist ja analüüsimist näeme all silte nende usaldusskooridega Tulemused. Sel juhul, Dome
tuvastati usaldusskooriga 99.2%. Architecture
99.2% -ga, Building
99.2% -ga, Metropolis
79.4% ja nii edasi.
Tahame kasutada kohandatud märgistust, et luua arvutinägemise mudel, mis suudab kujutise märgistada Amazon Spheres
.
Järgmistes jaotistes tutvustame teile andmestiku ettevalmistamist, Rekognitioni kohandatud siltide projekti, mudeli koolitamist, tulemuste hindamist ja lisapiltidega testimist.
Eeldused
Enne sammudega alustamist on olemas kvoodid Rekognitioni kohandatud siltide jaoks, mida peate teadma. Kui soovite limiite muuta, võite taotleda a teenuselimiidi suurendamine.
Looge oma andmestik
Kui kasutate Rekognitioni kohandatud silte esimest korda, palutakse teil luua Amazoni lihtne salvestusteenus (Amazon S3) ämber oma andmestiku salvestamiseks.
Selle ajaveebi tutvustamise jaoks oleme kasutanud pilte Amazonase sfääridest, mille jäädvustasime Seattle'i (WA) külastamise ajal. Kasutage oma pilte vastavalt oma vajadustele.
Kopeerige oma andmestik äsja loodud ämbrisse, mis salvestab teie pildid nende vastavatesse eesliidetesse.
Loo projekt
Rekognitioni kohandatud siltide projekti loomiseks toimige järgmiselt.
- Valige Rekognitioni kohandatud siltide konsoolil Loo projekt.
- eest Projekti nimi, sisestage nimi.
- Vali Loo projekt.
Nüüd täpsustame teie treening- ja testiandmestiku konfiguratsiooni ja tee. - Vali Loo andmestik.
Võite alustada projektist, millel on üks andmestik, või projektiga, millel on eraldi koolitus- ja testiandmed. Kui alustate ühest andmekogumist, jagab Rekognitioni kohandatud sildid teie andmestiku treeningu ajal pooleks, et luua teie projekti jaoks treeninguandmestik (80%) ja testandmekogum (20%).
Lisaks saate luua projekti jaoks koolitus- ja testiandmekogumeid, importides pilte ühest järgmistest asukohtadest.
Selle postituse jaoks kasutame oma kohandatud Amazon Spheres'i andmekogumit.
- valima Alustage ühest andmekogumist.
- valima Impordi pilte S3 ämbrist.
- eest S3 URI, sisestage oma S3 ämbri tee.
- Kui soovite, et Rekognitioni kohandatud sildid märgistaksid pildid teie eest automaatselt teie S3 ämbris olevate kaustanimede alusel, valige Määrake piltidele automaatselt pilditaseme sildid kausta nime alusel.
- Vali Loo andmestik.
Avaneb leht, mis näitab teile pilte koos nende siltidega. Kui näete siltidel vigu, vaadake Andmekogumite silumine.
Treeni modelli
Pärast andmestiku ülevaatamist saate nüüd mudelit koolitada.
- Vali rongi mudel.
- eest Valige projekt, sisestage oma projekti ARN, kui see pole veel loendis.
- Vali Rongi mudel.
aasta Mudelid projekti lehe jaotises saate praegust olekut kontrollida jaotises Mudeli olek veerus, kus koolitus on käimas. Koolituse läbimiseks kulub tavaliselt 30 minutit kuni 24 tundi, olenevalt mitmest tegurist, nagu piltide arv ja siltide arv treeningkomplektis ning teie mudeli treenimiseks kasutatavate ML-algoritmide tüübid.
Kui modellikoolitus on lõppenud, näete mudeli olekut kui TRAINING_COMPLETED
. Kui koolitus ebaõnnestub, vaadake Ebaõnnestunud mudelikoolituse silumine.
Hinnake mudelit
Avage mudeli üksikasjade leht. The Hindamine vahekaart näitab iga sildi mõõdikuid ja kogu testiandmestiku keskmist mõõdikut.
Rekognitioni kohandatud siltide konsool pakub koolitustulemuste kokkuvõttena ja iga sildi mõõdikutena järgmisi mõõdikuid.
Saate vaadata oma koolitatud mudeli tulemusi üksikute piltide jaoks, nagu on näidatud järgmisel ekraanipildil.
Testige mudelit
Nüüd, kui oleme hindamistulemusi vaadanud, oleme valmis mudelit käivitama ja uusi pilte analüüsima.
Saate mudelit käivitada Kasuta mudelit vahekaarti Rekognitioni kohandatud siltide konsoolil või kasutades StartProjectVersion toiming kaudu AWS-i käsurea liides (AWS CLI) või Pythoni SDK.
Kui mudel töötab, saame uusi pilte analüüsida kasutades Tuvasta kohandatud sildid API. Tulemus alates DetectCustomLabels
on ennustus, et pilt sisaldab konkreetseid objekte, stseene või mõisteid. Vaadake järgmist koodi:
Väljundis näete silti koos selle usaldusskooriga:
Nagu tulemusest näete, saate täpsete märgistustulemuste saavutamiseks kasutada Rekognitioni kohandatud silte vaid mõne lihtsa klõpsuga. Saate seda kasutada paljude piltide kasutamise juhtudel, näiteks toiduainete, lemmikloomade, masinaosade ja muu kohandatud märgistuse tuvastamiseks.
Koristage
Selle postituse osana loodud ressursside puhastamiseks ja võimalike korduvate kulude vältimiseks toimige järgmiselt.
- Kohta Kasuta mudelit vahekaart peatage mudel.
Teise võimalusena saate mudeli peatada, kasutades nuppu StopProjectVersion toiming AWS CLI või Pythoni SDK kaudu.Oodake, kuni mudel on rakendusesStopped
enne järgmiste sammude juurde jätkamist. - Kustuta mudel.
- Kustutage projekt.
- Kustutage andmestik.
- Tühi S3 ämbri sisu ja kustutama ämber.
Järeldus
Selles postituses näitasime, kuidas kasutada hoonepiltide tuvastamiseks Rekognitioni kohandatud silte.
Saate alustada oma kohandatud pildiandmekogumitega ja mõne lihtsa klõpsuga Rekognitioni kohandatud siltide konsoolil saate oma mudelit treenida ja piltidel objekte tuvastada. Rekognitioni kohandatud sildid saavad andmeid automaatselt laadida ja kontrollida, valida õiged ML-algoritmid, koolitada mudelit ja pakkuda mudeli jõudlusmõõdikuid. Saate vaadata üksikasjalikke toimivusmõõdikuid, nagu täpsus, meeldetuletus, F1-skoorid ja usaldusskoorid.
Kätte on jõudnud päev, mil saame nüüd tuvastada populaarsed hooned, nagu Empire State Building New Yorgis, Taj Mahal Indias ja paljud teised üle maailma, mis on eelnevalt märgistatud ja valmis teie rakendustes luureandmete jaoks kasutamiseks. Kuid kui teil on muid maamärke, mida Amazon Rekognition Labels praegu veel ei toeta, ärge vaadake rohkem ja proovige Amazon Rekognitioni kohandatud silte.
Kohandatud siltide kasutamise kohta lisateabe saamiseks vt Mis on Amazon Rekognitioni kohandatud sildid? Külastage ka meie GitHub repo Amazon Rekognitioni kohandatud kaubamärgi tuvastamise täielikuks töövoo jaoks.
Autoritest:
Suresh Patnam on AWS-i BDM – GTM AI/ML peamine juht. Ta töötab koos klientidega IT-strateegia väljatöötamiseks, muutes pilve kaudu digitaalse ümberkujundamise kättesaadavamaks, võimendades andmeid ja AI/ML-i. Vabal ajal meeldib Sureshile tennist mängida ja perega aega veeta.
Jänku Kaushik on AWS-i lahenduste arhitekt. Ta on kirglik AI/ML-lahenduste loomisest AWS-is ja klientide abistamisest AWS-i platvormil uuendusi teha. Väljaspool tööd meeldib talle matkata, ronida ja ujuda.
- AI
- ai kunst
- ai kunsti generaator
- on robot
- Amazon Rekognitsioon
- tehisintellekti
- tehisintellekti sertifikaat
- tehisintellekt panganduses
- tehisintellekti robot
- tehisintellekti robotid
- tehisintellekti tarkvara
- AWS-i masinõpe
- blockchain
- plokiahela konverents ai
- coingenius
- vestluslik tehisintellekt
- krüptokonverents ai
- dall's
- sügav õpe
- google ai
- masinõpe
- Platon
- plato ai
- Platoni andmete intelligentsus
- Platoni mäng
- PlatoData
- platogaming
- skaala ai
- süntaks
- sephyrnet